EEGNet: компактная сверточная нейронная сеть для интерфейсов мозг–компьютер на основе ЭЭГ

Цель: Интерфейсы мозг–компьютер (BCI) обеспечивают прямую связь с компьютером, используя нейронную активность в качестве управляющего сигнала. Этот нейронный сигнал обычно выбирают из множества хорошо изученных сигналов электроэнцефалографии (ЭЭГ). Для каждой парадигмы BCI средства выделения признаков и классификаторы адаптируют к специфическим характеристикам ожидаемого управляющего сигнала ЭЭГ, что ограничивает их применение этим конкретным сигналом. Сверточные нейронные сети (CNN), применяемые в компьютерном зрении и распознавании речи для автоматического выделения признаков и классификации, успешно используются в BCI на основе ЭЭГ; однако преимущественно они применялись в рамках отдельных парадигм BCI, поэтому остается неясным, насколько хорошо эти архитектуры обобщаются на другие парадигмы. В настоящей работе рассматривается вопрос о том, можно ли разработать единую архитектуру CNN, способную точно классифицировать сигналы ЭЭГ из разных парадигм BCI и одновременно быть максимально компактной. Подход: В этой работе мы представляем EEGNet — компактную сверточную нейронную сеть для BCI на основе ЭЭГ. Мы предлагаем использовать глубинные и разделимые свертки для построения специализированной для ЭЭГ модели, включающей хорошо известные концепции выделения признаков ЭЭГ для BCI. Мы сравниваем EEGNet — как при классификации внутри одного испытуемого, так и при классификации между испытуемыми — с современными передовыми методами в рамках четырех парадигм BCI: зрительные вызванные потенциалы P300, реакции негативности, связанной с ошибкой (ERN), двигательные корковые потенциалы (MRCP) и сенсомоторные ритмы (SMR). Основные результаты: Мы показываем, что при ограниченном объеме обучающих данных EEGNet лучше обобщается между парадигмами и достигает сопоставимо высокой производительности по сравнению с эталонными алгоритмами во всех протестированных парадигмах. Кроме того, мы демонстрируем три различных подхода к визуализации содержимого обученной модели EEGNet, обеспечивающих интерпретацию выученных признаков. Значимость: Полученные результаты свидетельствуют о том, что EEGNet обладает достаточной устойчивостью для обучения на широком спектре interp...